Utiliser tsCV() pour la validation croisée des séries temporelles

La fonction tsCV() calcule les erreurs de validation croisée pour séries temporelles. Elle exige de préciser la série, la méthode de prévision et l'horizon de prévision. Voici l'exemple utilisé dans la vidéo :

> e = tsCV(oil, forecastfunction = naive, h = 1)

Ici, vous utiliserez tsCV() pour calculer et tracer les valeurs de MSE jusqu'à 8 pas d'avance, en utilisant la méthode naive() appliquée aux données goog. L'exercice utilise les graphiques de ggplot2, que vous ne connaissez peut-être pas, mais nous avons fourni suffisamment de code pour que vous puissiez compléter le reste.

Assurez-vous de consulter les diapositives sur tsCV() dans le cours. Les données goog ont été chargées dans votre espace de travail.

Cette activité fait partie du cours

Prévision en R

Instructions de l’exercice

En utilisant les données goog et la fonction de prévision naive(), calculez les erreurs en validation croisée jusqu'à 8 pas d'avance. Assignez le résultat à e.
Calculez les valeurs de MSE pour chaque horizon de prévision et retirez les valeurs manquantes dans e en précisant le deuxième argument. L'expression pour calculer le MSE a été fournie.
Tracez les valeurs de MSE résultantes (y) en fonction de l'horizon de prévision (x). Réfléchissez à votre connaissance des fonctions. Si MSE = mse est fourni dans la liste des arguments d'une fonction, alors mse doit renvoyer à un objet qui existe dans votre espace de travail à l'extérieur de la fonction, tandis que MSE est la variable qui fait référence à cet objet à l'intérieur de votre fonction.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Compute cross-validated errors for up to 8 steps ahead
e <- tsCV(___, forecastfunction = ___, h = ___)

# Compute the MSE values and remove missing values
mse <- colMeans(e^2, na.rm = ___)

# Plot the MSE values against the forecast horizon
data.frame(h = 1:8, MSE = mse) %>%
  ggplot(aes(x = h, y = ___)) + geom_point()

Modifier et exécuter le code

Cette activité fait partie du cours

Prévision en R

SkillTag.level.beginnerSkillTag.label

4.9+

Commencer le cours gratuitement

La première étape de toute analyse de données consiste à tracer les données. Les graphiques permettent de visualiser de nombreuses caractéristiques, dont les structures récurrentes, les observations inhabituelles et les changements dans le temps. Les éléments observés sur les graphiques doivent ensuite être intégrés, autant que possible, aux méthodes de prévision qui seront utilisées.

Exercise 1: Bienvenue dans la prévision avec R Exercise 2: Créer des objets de séries chronologiques dans R Exercise 3: Graphiques de séries temporelles Exercise 4: Graphiques saisonniers Exercise 5: Tendance, saisonnalité et cyclicité Exercise 6: Autocorrélation de séries chronologiques non saisonnières Exercise 7: Autocorrélation des séries saisonnières et cycliques Exercise 8: Faites correspondre l'ACF à la série chronologique Exercise 9: Bruit blanc Exercise 10: Cours boursiers et bruit blanc

Dans ce chapitre, vous découvrirez des outils généraux utiles dans de nombreuses situations de prévision. On y présentera des méthodes de prévision de référence, des méthodes pour vérifier si une méthode de prévision exploite adéquatement l'information disponible, ainsi que des méthodes pour mesurer la justesse des prévisions. Chacun des outils abordés ici sera réutilisé dans les chapitres suivants à mesure que vous développerez et explorerez un éventail de méthodes de prévision.

Exercise 1: Prévisions et futurs possibles Exercise 2: Méthodes de prévision naïves Exercise 3: Valeurs ajustées et résidus Exercise 4: Vérifier les résidus d'une série chronologique Exercise 5: Ensembles d'entraînement et de test Exercise 6: Évaluer l'exactitude des prévisions pour des méthodes non saisonnières Exercise 7: Évaluer la précision des méthodes saisonnières Exercise 8: Ai-je un bon modèle de prévision?Exercise 9: Validation croisée sur séries chronologiques Exercise 10: Utiliser tsCV() pour la validation croisée des séries temporelles

Exercice en cours

Les prévisions obtenues avec les méthodes de lissage exponentiel sont des moyennes pondérées des observations passées, les poids diminuant de façon exponentielle à mesure que les observations vieillissent. Autrement dit, plus l'observation est récente, plus son poids est élevé. Ce cadre permet de produire rapidement des prévisions fiables pour un large éventail de séries chronologiques, ce qui constitue un grand avantage et un atout majeur pour les applications en entreprise.

Exercise 1: Prévisions à pondération exponentielle Exercise 2: Lissage exponentiel simple Exercise 3: SES vs naïf Exercise 4: Méthodes de lissage exponentiel avec tendance Exercise 5: Méthodes de tendance de Holt Exercise 6: Méthodes de lissage exponentiel avec tendance et saisonnalité Exercise 7: Holt-Winters avec des données mensuelles Exercise 8: Méthode de Holt‑Winters avec des données quotidiennes Exercise 9: Modèles à espace d'états pour le lissage exponentiel Exercise 10: Prévision automatique avec lissage exponentiel Exercise 11: ETS vs méthode naïve saisonnière Exercise 12: Faites correspondre les modèles aux séries chronologiques Exercise 13: Quand les ETS échouent-ils?

Les modèles ARIMA offrent une autre approche pour la prévision de séries chronologiques. Le lissage exponentiel et les modèles ARIMA sont les deux approches les plus utilisées pour la prévision de séries chronologiques et se complètent bien. Alors que les modèles de lissage exponentiel décrivent la tendance et la saisonnalité des données, les modèles ARIMA visent à décrire les autocorrélations présentes dans les données.

Exercise 1: Transformations pour stabiliser la variance Exercise 2: Transformations de Box-Cox pour les séries chronologiques Exercise 3: Différenciation non saisonnière pour la stationnarité Exercise 4: Différenciation saisonnière pour la stationnarité Exercise 5: Modèles ARIMA Exercise 6: Modèles ARIMA automatiques pour des séries chronologiques non saisonnières Exercise 7: Prévisions avec les modèles ARIMA Exercise 8: Comparer auto.arima() et ets() sur des données non saisonnières Exercise 9: Modèles ARIMA saisonniers Exercise 10: Modèles ARIMA automatiques pour les séries saisonnières Exercise 11: Explorer les options de auto.arima()Exercise 12: Comparer auto.arima() et ets() sur des données saisonnières

Les modèles de séries chronologiques des chapitres précédents fonctionnent bien pour de nombreuses séries, mais ils conviennent souvent moins aux données hebdomadaires ou horaires et ne permettent pas d'intégrer d'autres informations comme les effets des jours fériés, l'activité des concurrents, les changements législatifs, etc. Dans ce chapitre, vous verrez des méthodes capables de gérer une saisonnalité plus complexe et vous envisagerez comment étendre les modèles ARIMA afin d'y intégrer d'autres informations.

Exercise 1: Régression dynamique Exercise 2: Prévoir les ventes en tenant compte des dépenses publicitaires Exercise 3: Prévision de la demande d'électricité Exercise 4: Régression harmonique dynamique Exercise 5: Prévoir des données hebdomadaires Exercise 6: Régression harmonique pour des saisonnalités multiples Exercise 7: Prévoir les réservations d'appels Exercise 8: Modèles TBATS Exercise 9: Modèles TBATS pour la demande d'électricité Exercise 10: Votre avenir en prévision !